Fugu-MT 論文翻訳(概要): Kohn-Sham equations as regularizer: building prior knowledge into machine-learned physics

論文の概要: Kohn-Sham equations as regularizer: building prior knowledge into machine-learned physics

arxiv url: http://arxiv.org/abs/2009.08551v2
Date: Tue, 17 Nov 2020 20:03:52 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 12:14:39.014593
Title: Kohn-Sham equations as regularizer: building prior knowledge into machine-learned physics
Title（参考訳）: 正則化としてのコーン・シャム方程式--機械学習物理学への事前知識の構築
Authors: Li Li, Stephan Hoyer, Ryan Pederson, Ruoxi Sun, Ekin D. Cubuk, Patrick Riley, Kieron Burke
Abstract要約: 交換相関関数に対してニューラルネットワークを訓練する際のコーン・シャム方程式の解法は、一般化を大幅に改善する暗黙の正規化をもたらすことを示す。我々のモデルはまた、目に見えないタイプの分子に一般化し、自己相互作用エラーを克服します。
参考スコア（独自算出の注目度）: 13.572347341147282
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Including prior knowledge is important for effective machine learning models in physics, and is usually achieved by explicitly adding loss terms or constraints on model architectures. Prior knowledge embedded in the physics computation itself rarely draws attention. We show that solving the Kohn-Sham equations when training neural networks for the exchange-correlation functional provides an implicit regularization that greatly improves generalization. Two separations suffice for learning the entire one-dimensional H$_2$ dissociation curve within chemical accuracy, including the strongly correlated region. Our models also generalize to unseen types of molecules and overcome self-interaction error.
Abstract（参考訳）: 事前知識を含むことは、物理学における効果的な機械学習モデルにとって重要であり、通常、モデルアーキテクチャに損失項や制約を明示的に追加することで達成される。物理計算自体に埋め込まれた以前の知識は、ほとんど注目されない。交換相関関数に対してニューラルネットワークを訓練する際のコーン・シャム方程式の解法は、一般化を大幅に改善する暗黙の正規化をもたらすことを示す。 2つの分離は、強相関領域を含む化学精度の1次元h$_2$解離曲線全体を学習するのに十分である。我々のモデルはまた、目に見えない種類の分子に一般化し、自己相互作用エラーを克服する。

関連論文リスト

Physics-informed machine learning of the correlation functions in bulk fluids [2.1255150235172837]
オルンシュタイン・ザーニーク方程式(オルンシュタイン・ザーニークりょうり、英: Ornstein-Zernike equation)は、液体の現代的な積分方程式理論におけるペア相関関数計算の基本的な方程式である。この研究では、特に物理インフォームドニューラルネットワークや物理インフォームドニューラルネットワークといった機械学習モデルを用いて、OZ方程式を解く。
論文参考訳（メタデータ） (2023-09-02T00:11:48Z)
Neural Astrophysical Wind Models [0.0]
本研究は, 直交常微分方程式 (ODE) に個々の項として埋め込まれたディープニューラルネットワークが, これらの物理の双方をしっかりと発見できることを示す。我々は、3つの保存変数を明示的に解決するのではなく、マッハ数に基づく損失関数を最適化し、近分散解に対してペナルティ項を適用する。この研究は、非線形逆問題に対する機械論的解釈性を備えた有望な発見ツールとしてのニューラルODEの実現性をさらに強調する。
論文参考訳（メタデータ） (2023-06-20T16:37:57Z)
Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文参考訳（メタデータ） (2022-12-18T02:03:00Z)
A Self-Attention Ansatz for Ab-initio Quantum Chemistry [3.4161707164978137]
本稿では、自己注意型ウェーブファンクショントランス(Psiformer)を用いたニューラルネットワークアーキテクチャを提案する。我々は、Psiformerを他のニューラルネットワークのドロップイン代替として使用することができ、計算精度を劇的に向上させることができることを示した。これは、自己アテンションネットワークが電子間の複雑な量子力学的相関を学習できることを示し、より大きな系の化学計算において前例のない精度に達するための有望な経路であることを示している。
論文参考訳（メタデータ） (2022-11-24T15:38:55Z)
Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文参考訳（メタデータ） (2022-06-21T20:38:13Z)
Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
本稿では,グラフ力学ネットワーク(GMN)を提案する。 GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
論文参考訳（メタデータ） (2022-03-12T14:22:14Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
Physics-Guided Problem Decomposition for Scaling Deep Learning of High-dimensional Eigen-Solvers: The Case of Schr\"{o}dinger's Equation [8.80823317679047]
ディープニューラルネットワーク(NN)は、高次元固有値方程式を解くための従来のシミュレーション駆動アプローチの代替として提案されている。本稿では,高次元固有ベクトルを単純なサブタスクに分解する複雑な回帰タスクを物理知識を用いて分解する。量子力学におけるSchr"odinger's Equationに対する物理誘導問題分解の有効性を実証する。
論文参考訳（メタデータ） (2022-02-12T05:59:08Z)
Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文参考訳（メタデータ） (2021-09-02T16:06:45Z)
Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文参考訳（メタデータ） (2021-02-25T20:28:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。